Digitale Bildverarbeitung

Größe: px
Ab Seite anzeigen:

Download "Digitale Bildverarbeitung"

Transkript

1 Digitale Bildverarbeitung Thorsten Hermes Eine praktische Einführung ISBN Leseprobe Weitere Informationen oder Bestellungen unter sowie im Buchhandel

2 Kapitel 4 Vorverarbeitung In diesem Kapitel geht es um die Aufbereitung respektive die Verbesserung des durch ein bildgebendes Verfahren gewonnenen digitalen Bildes. Die im Folgenden diskutierten Methoden fallen alle unter den Begriff der (Bild-) Vorverarbeitung (engl. preprocessing). In der Literatur findet sich auch der Begriff der Bildrestauration oder nur der Restauration. Wir wollen uns im Wesentlichen auf die Bereiche Kontrastverstärkung (Abschnitt 4.1), Rauschunterdrückung (Abschnitt 4.2) sowie auf Operationen zur geometrischen Entzerrung (Abschnitt 4.3) konzentrieren. Die Vorverarbeitung kann sowohl auf Binärbilder durch bereits bekannte Operationen aus der Morphologie wie Öffnen und/oder Schließen als auch auf Grauwert- und/oder Farbbilder angewendet werden. Diese Transformationen/Operationen lassen sich auch in so genannten Bildpunktoperationen, in lokale Nachbarschaftsoperationen und in globale Nachbarschaftsoperationen einteilen. Die Bildpunktoperationen beziehen sich nur auf jeweils einen einzelnen Bildpunkt des Eingabebildes E(x, y), der beispielsweise mittels einer so genannten Look-Up-Table (LUT) in den entsprechenden Bildpunkt des Ausgabebildes A(x, y) transformiert wird. Lokale Nachbarschaftsoperationen berücksichtigen zur Berechnung des Bildpunktes A(x, y) nicht nur E(x, y), sondern zusätzlich die lokale Umgebung zum Beispiel 3 3 oder 5 5,... um E(x, y). Globale Nachbarschaftsoperationen berücksichtigen das gesamte Eingabebild E, um einen Bildpunkt in A(x, y) zu bestimmen. Gerade die Operationen, die eine Nachbarschaft berücksichtigen, sind von beson-

3 36 4 Vorverarbeitung derer Wichtigkeit, da ein Bildpunkt in der Regel immer mit seiner Nachbarschaft mehr oder weniger stark korreliert ist. An dieser Stelle sei allerdings noch angemerkt, dass die beste Vorverarbeitung keine Vorverarbeitung ist. Das bedeutet, dass man schon bei der Bildgebung dafür Sorge tragen sollte, bestmögliche Aufnahmen zu erhalten, damit keine Vorverarbeitung nötig ist. Also sollte darauf geachtet werden, dass die aufzunehmende Szene zum Beispiel möglichst optimal ausgeleuchtet ist, damit keine Kontrastverstärkung notwendig wird. Ebenso sollte darauf geachtet werden, dass ein dem bildgebenden Verfahren inhärentes Rauschen auf ein Minimum reduziert wird, etc. 4.1 Kontrastverbesserung In einigen Fällen kann durch das bildgebende Verfahren das digitale Bild kontrastarm sein, beispielsweise bei Fotografien von mikroskopischen Objektträgern. Oder wer kennt das nicht bei eigenen Fotografien, die nicht richtig ausgeleuchtet sind. Ebenso ist bei den neueren Digitalkameras (hauptsächlich im so genannten End-Consumer-Bereich) die Aufnahmequalität nicht unbedingt die beste. Hier möchte man nachträglich noch die Möglichkeit haben, den Kontrast zu verbessern. Es existieren verschiedene Wege, um den Kontrast zu verbessern. Das kann während des bildgebenden Prozesses zum Beispiel durch Look-Up-Tables geschehen oder auch nachträglich durch eine Transformation, die die Grauwerthäufigkeiten manipuliert. Des Weiteren kann, wie bereits erwähnt, Rauschen auf dem Bild vorhanden sein, das zum Beispiel durch so genannte Rauschfilter reduziert werden kann. Die in den folgenden Abschnitten vorgestellten Operationen sind in der Regel Bildpunktoperationen, da sie den Intensitätswert eines Bildpunktes nur aufgrund des Intensitätswertes verändern und eine (wie auch immer geartete) Nachbarschaft nicht mit berücksichtigen. Die Mehrzahl dieser Operationen ist homogen, was bedeutet, dass alle Bildpunkte E(x, y) mit derselben Transformationsvorschrift bearbeitet werden. Die im Abschnitt beschriebene Hintergrundkompensation ist ein Beispiel für eine inhomogene Bildpunktoperation Look-Up-Table (LUT) Die LUT ist eine homogene Grauwerttransformation, bei der die Intensitätswerte in einer vordefinierten Art und Weise (eben der LUT) modifiziert werden. Hierbei werden die Grauwerte E(x, y) einer Grauwertskala durch eine Funktion oder eine Tabelle in ein neue Grauwertskala A(x, y) überführt. Eine LUT kann man verstehen als einen Speicher, der unter der Adresse a einen bestimmten Inhalt b

4 4.1 Kontrastverbesserung 37 gespeichert hat. b = LUT(a) (4.1) Immer, wenn die Adresse a angesprochen wird, wird der Speicherinhalt b zurückgegeben. Bezieht man das auf Grauwerte, wird schnell ersichtlich, dass der Inhalt (entspricht einem neuen Grauwert) immer dann zurückgegeben wird, wenn ein bestimmter Grauwert im Eingabebild E auftritt (entspricht der Adresse). Soll eine LUT als Diagramm dargestellt werden, so ist es üblich, auf der Abszisse (x-achse entspricht in Gl. 4.1 dem a) die Eingabebildgrauwerte, und auf der Ordinate (y-achse entspricht in Gl. 4.1 dem b) die Ausgabebildgrauwerte abzutragen. Im Folgenden werden ein paar Beispiele für Transformationsfunktionen (auch Kennlinien) grafisch und analytisch dargestellt. In Abbildung 4.1(a) ist eine lineare Kennlinie dargestellt, die die Eingangswerte x (also die Intensitätswerte von ) auf gleichwertige Ausgangswerte LUT(x) ( ) abbildet, was bedeutet, dass das Eingabebild unverändert in das Ausgabebild transformiert wird (x = LUT(x) oder einfacher: x = y). (a) (b) (c) Abbildung 4.1: Drei unterschiedliche Kennlinien, die eine LUT symbolisieren: (a) lineare, (b) quadratische und (c) Wurzelkennlinie. Die Achsen gehen jeweils von 0 bis 255. Die x- Achse steht für die Werte des Eingangsbildes und korrespondierend dazu lassen sich die Werte für das Ausgangsbild an der y-achse ablesen Abbildung 4.1(b) zeigt eine quadratische Kennlinie, die die mittleren Intensitätswerte ein wenig abschwächt. In analytischer Form wäre das: y = 255 x2. Die 255 im Nenner sorgt dafür, dass die Intensitätswerte im darstellbaren Grauwertbereich bleiben. Abbildung 4.1(c) zeigt eine Wurzelkennlinie. Sie schwächt die mittleren Grauwerte etwas. Dafür wird in den hellen und den dunklen Grauwertbereichen der Kontrast verstärkt. In analytischer Form wäre das y = 255x (auch hier dient die 255 zur Normierung). Weitere Funktionen, die als LUT-Kennlinie dienen können, wäre eine Binarisierungskennlinie. Sie lässt sich durch eine entsprechende Kennlinie 1 ebenfalls er- 1 Binarisierungkennlinie mit x u und x o als beliebige untere bzw. obere Grenze: y = {0, wenn x <

5 38 4 Vorverarbeitung reichen. Ebenso können solche Kennlinien auch stückweise linear sein. Auch die explizite Angabe von Werten in der LUT ist denkbar. Allen LUTs gemein ist die Tatsache, dass der Inhalt der jeweiligen LUT (die Werte für das Ausgangsbild A) lediglich einmal berechnet werden muss. Sie werden dann im Anschluss nur noch abgefragt. Die LUT-Operationen sind in der Regel sehr schnell und werden von einigen Bildverarbeitungssystemen unterstützt. Für den 2D-Fall (ein Bild mit M Zeilen und N Spalten) kann eine allgemeine Form einer LUT wie folgt festgelegt werden: mit x = 0,..., M 1 und y = 0,..., N Histogrammtransformationen A(x, y) =LUT(E(x, y)) (4.2) Zunächst soll kurz erläutert werden, was ein Histogramm ist und wie man es berechnet, da wir dies für das Verständnis des Folgenden benötigen, um Kontrastverbesserungen durchzuführen. Ein Histogramm berechnet die Grauwerthäufigkeit eines Bildes. Hierzu werden die einzelnen Bildpunkte einer bestimmten Graustufe in ihrer Häufigkeit H abgezählt und über die gesamte Grauwertskala i abgetragen. Dies wird auch als Statistik erster Ordnung bezeichnet. Das so berechnete Histogramm H(i) ist eine diskrete Funktion. Aus dem Histogramm H(i) lässt sich durch Normierung auf die Anzahl der betrachteten Bildpunkte N die relative Histogrammverteilung h(i) bestimmen: h(i) = H(i) N (4.3) Die Histogrammtransformationen verändern ähnlich wie die LUTs die Grauwerte im Bild. Allerdings wird hierbei die Grauwertverteilung erst nach der Bildaufnahme verändert. D.h.: Es muss ein digitales Bild vorliegen. Von diesem Bild wird zunächst ein Histogramm H E (i) (mit E als Eingabebild und i Anzahl der Intensitätswerte respektive Grauwerte) berechnet. Histogramme können gedehnt werden, d.h. ein Grauwertbereich von i u bis i o (mit i u = 0 und i o = MAXGW = 255) wird auf einen Bereich von 0 bis MAXGW abgebildet. Eine weitere Möglichkeit, Histogramme zu verändern, ist die so genannte Histogrammebnung oder auch Histogrammäqualisation, bei der die Verteilung der Grauwerte so verändert wird, dass über eine vorgegebene Anzahl von Grauwerten die tatsächlich vorhandenen Bildpunkte mit ihren zugehörigen Grauwerten gleich verteilt werden. x u x > x o 1, wenn x u x x o }

6 4.1 Kontrastverbesserung 39 Dehnung der Grauwertskala Eine allgemeine Dehnung einer Grauwertskala kann durch folgende Gleichung 4.4 beschrieben werden: A(x, y) =m E(x, y)+b (4.4) In Abbildung 4.2 ist das allgemeine Prinzip einer Grauwertdehnung grafisch dargestellt. Die Konstante m kann als Kontrast angesehen werden und die Konstante b als Helligkeit. Ist der Kontrast m > 1, so wird der Kontrast im Ausgabebild A erhöht. Ist der Kontrast m < 1, so wird der Kontrast im Ausgabebild A vermindert. Durch die additive Konstante b wird die Helligkeit des Bildes A beeinflusst. Hiermit kann das gesamte Bild aufgehellt oder verdunkelt werden. Der Kontrast m entspricht der Steigung der Geraden in der Abbildung und die Helligkeit b ist die Grauwertverschiebung. Eine Umsetzung findet dieses Prinzip beispielsweise bei einem herkömmlichen Fernsehgerät, bei dem der Kontrast und auch die Helligkeit durch eine elektronische Widerstandsveränderung auf die Bedürfnisse des jeweiligen Betrachters angepasst werden können. / H= K M A HJA ) K I C = > A > ) $ " " &! / 9 - / 9 ) / 9 - / 9 ) / 9 ) / 9 ) / 9 - / 9 - $ > $! " & $ " / H= K M A HJA - E C = > A > - Abbildung 4.2: Allgemeines Prinzip der Grauwertdehnung Für den diskreten Fall sollte der Grauwertbereich auf den darstellbaren Bereich eingegrenzt werden. Unter der Annahme, dass es sich bei einem Grauwertbild um ein 8 Bit-Bild handelt, ist der gültige Darstellungsbereich das Intervall von 0 bis 255. Dadurch ergibt sich folgende angepasste Gleichung einer allgemeinen Vorschrift zur Dehnung der Grauwertskala: 0, m E(x, y)+b < 0 A(x, y) = 255, m E(x, y)+b > 255 m E(x, y)+b, sonst (4.5)

7 40 4 Vorverarbeitung Wenn wir die tatsächlichen Grauwerte eines digitalen Bildes betrachten, so stellen wir u.u. fest, dass nicht immer der ganze mögliche Grauwertbereich ausgeschöpft wird. Dies mag durch das zugrunde liegende bildgebende Verfahren verursacht sein. Das Eingabebild E weist also einen minimalen Grauwert E min auf, der größer Null ist, und einen maximalen Grauwert E max, der kleiner 255 ist. Ein Ausgabebild soll den minimalen Grauwert A min und den maximalen Grauwert A max nach der Transformation aufweisen. In der Abbildung 4.3 ist grafisch das Schema einer solchen Kennlinie dargestellt. / H= K M A HJA * ) # # ) = N ) E - E - = N / H= K M A HJA * - Abbildung 4.3: Beispiel: Kontraststeigerung durch eine Kennlinie # # Für den beschriebenen Fall E min E(x, y) E max und A min A(x, y) A max drückt die folgende Beziehung (vgl. Gl. 4.6) eine allgemeine Kontraststeigerung aus: A(x, y) = A max A min (E(x, y) E E max E min )+A min (4.6) min Geht man von A min = 0 und A max = 255 aus, so lässt sich vereinfacht schreiben: A(x, y) = 255 E max E min (E(x, y) E min ) (4.7) Es kann auch der Fall eintreten, dass der minimale Grauwert E min und der maximale Grauwert E max nur von sehr wenigen Bildpunkten erreicht werden, so dass es durchaus sinnvoll erscheint, diese Grauwerte abzuschneiden durch ein so genannter clipping, um eine verstärkte Kontrastanhebung zu erzielen. Dann wird nicht das gesamte Intervall E max E min benutzt, sondern ein abweichendes E cl max E cl min, mit E min < E cl min < Ecl max < E max. Diese angepassten Grenzen werden sinnvollerweise so gewählt, dass in den Intervallen [E min : E cl min ] bzw. [E max : E cl max] nur eine geringe Anzahl von Bildpunkten liegt. Der Großteil der

8 4.1 Kontrastverbesserung 41 Bildpunkte sollte dann schon im Intervall [E cl max : Ecl min ] liegen. Typischerweise wählt man die neuen Grenzen so, dass sich in dem neuen Intervall 95% 99% der Bildpunkte befinden. Histogrammebnung Zusätzlich zu den bisher vorgestellten Skalierungsverfahren in den vorangegangenen Abschnitten existieren eine Reihe weiterer Verfahren zur Histogrammmodifikation. Ein weiteres Verfahren wird im Folgenden vorgestellt. Dieses Verfahren bezieht sich auf die Modifikation von Häufigkeiten, mit denen ein Grauwert im Bild vorkommt. Ein übliches Verfahren ist hier die Histogrammebnung. Bei der Histogrammebnung werden alle Grauwerte so transformiert, dass sie nach der Transformation mit gleicher Häufigkeit P A (g) im Bild vorkommen (Haberäcker (1985)). Im Ergebnisbild A ist P A (g) = 1 N g,für alle g G. Nach Haberäcker (1985) bewirkt eine Histogrammebnung bei natürlichen Bildern eine Verbesserung der Helligkeit und des Kontrastes. Die Umsetzung der Histogrammebnung nach Rosenfeld und Kak (1982) in ORASIS 3D findet sich in Anhang B.2. Demzufolge gilt für eine Histogrammebnung (eine Umsetzung der Histogrammebnung lässt sich im Anhang B.2 finden): E das Ursprungsbild mit N M Bildpunkten und K Grauwerten z 1,...,z K. p i sei das Vorkommen der Bildpunkte im Bild des Grauwertes z i. Im entsprechenden Histogramm von E sei die Höhe des i-ten Balkens proportional zu p i. K p i = MN. i=1 Die Anzahl der Punkte mit dem Grauwert z i im geebneten Histogramm sei q i. K q i = MN. i=1 Ein wesentlicher Schritt ist die Transformation des Histogramms p nach q. Für diesen Schritt gilt: k 1 1 k 1 p i q 1 p i. i=1 i=1 Somit wird allen Bildpunkten in E mit den Grauwerten z 1,...,z k1 1 in A der neue Grauwert z 1 zugeordnet. Ist diese Anzahl kleiner als q 1, so muss zusätzlichen Punkten mit dem Grauwert z k1 der Grauwert z 1 zugeordnet werden, um

9 42 4 Vorverarbeitung die noch fehlenden Punkte für q 1 zu erhalten. Diese zusätzlichen Punkte können zufällig oder in Abhängigkeit von den Grauwerten benachbarter Punkte gewählt werden. Für: k 2 1 k 2 p i q 1 + q 2 p i. i=1 i=1 ergeben sich aus dieser Ungleichung die Punkte, denen der Grauwert z 2 zuzuordnen ist, und zwar: Unter der Voraussetzung k 2 > k 1 wird allen Punkten mit dem Grauwert z k1, denen nicht bereits der Grauwert z 1 zugeordnet wurde, der Grauwert z 2 zugewiesen. Falls k 2 = k 1,müssen die Punkte mit dem Grauwert z k1 weiter geteilt werden. Allen Punkten mit z k1 +1,...,z k2 1 als Grauwerten. Ist die Anzahl kleiner als q 2, so muss zusätzlichen Punkten mit dem Grauwert z k2 der Grauwert z 2 zugewiesen werden. Dementsprechend sind für das resultierende Histogramm die Schritte für die Grauwerte z 3,...,z K fortzusetzen. Es gilt im Allgemeinen für z h : k h 1 p i i=1 h q i i=1 k h p i. i=1 Nach Gool u. a. (1985) stellt eine solche Normierung, bei der die Statistiken erster Ordnung der resultierenden Bilder in jeder Hinsicht übereinstimmen, sicher, dass ein Bild, das eine monotone Transformation eines Originalbildes darstellt, dieselben Resultate bei der Berechnung von Statistiken zweiter Ordnung liefert. Histogramme sind ja gerade Statistiken erster Ordnung (vgl. Kapitel 6). Nachteilig gegenüber den in den vorangegangenen Abschnitten vorgestellten Verfahren ist, dass zum einen der Berechnungsaufwand größer ist, und zum anderen, dass die Bildinformation verändert wird, je nachdem, wie unterschiedlich die Histogramme des Originalbildes und das geebnete Histogramm sind. Ebenso hat die Strategie, nach der die noch nicht sortierten Bildpunkte ausgewählt werden, Einfluss auf Veränderung. Weiterhin kann der visuelle Eindruck eines Bildes verfälscht werden, weil die Auswahl der Bildpunkte zufällig war, um die ebene Form des Histogramms zu erreichen. Ein Beispiel für eine solche Verfälschung ist in Abbildung 4.4 zu sehen. Das Histogramm des Schachbrettmusters in Abbildung 4.4 (a) wurde geebnet. Das Ergebnis ist, dass die vorher einfarbigen Flächen nach der Ebnung als Grauwertverläufe (siehe Abbildung 4.4 (b)) hervortreten. Die Grauwertverläufe kommen

10 4.1 Kontrastverbesserung 43 (a) (b) Abbildung 4.4: Histogrammebnung, angewendet auf ein Schachbrettmuster (a). Man erkennt deutlich die Verfälschungen in dem geebneten Bild (b) durch die Auswahl der zu ändernden Bildpunkte zustande, da hier jeweils immer der erste Punkt gewählt wird. Würden die Punkte zufällig ausgewählt, so entstünde eine Art von Rauschen auf den schwarzen und weißen Flächen Shadingkorrektur Im Allgemeinen geht man davon aus, dass bildgebende Verfahren eine realistische Abbildung des abzubildenden Objektes liefern. Das bedeutet, dass eine gleichmäßig helle Fläche in der realen Welt auch einer entsprechend gleichmäßigen hellen Fläche im digitalen Abbild entspricht. Oftmals ist dem digitalen Bild allerdings ein so genanntes Hintergrundsignal durch das bildgebende Verfahren überlagert. Dieses Signal kann eine Inhomogenität der Beleuchtung verursachen. Sind diese Störeinflüsse bekannt, können sie in einer so genannten Shadingmatrix gespeichert werden. Mittels der Shadingmatrix kann dann das jeweilige Bild durch eine Shadingkorrektur (auch: Hintergrundkompensation) verbessert bzw. der Fehleranteil im Signal minimiert werden. Diese Operation kann multiplikativ oder additiv erfolgen. Hierzu wird das Bild, respektive die Bildmatrix, E(x, y) mit der entsprechenden Shadingmatrix verknüpft. Die Shadingmatrix ergibt sich aus einer Aufnahme eines so genannten Weißbildes E white (x, y), mit maximal geöffneter Blende sowie mit maximaler Beleuchtung. Der mittlere Weißwert W wird bestimmt. Des Weiteren wird das Gegenstück zum Weißbild, das so genannte Schwarzbild E black (x, y) (bei geschlossener Blende und ohne Beleuchtung), bestimmt sowie der mittlere Schwarzwert S berechnet. Das Weißbild beinhaltet allgemeines Rauschen, den Ausleuchtungsfehler und auch Inhomogenitäten in den photo-elektrischen Schichten des bildgebenden Systems. Das Schwarzbild beinhaltet ein gewisses Widerstandsrauschen. Die additive Shadingkorrektur E A (x, y) wird durch die folgende Beziehung bestimmt: E A (x, y) =E(x, y) E white (x, y)+w S (4.8)

11 44 4 Vorverarbeitung Die multiplikative Shadingkorrektur E M (x, y) wird durch die folgende Beziehung bestimmt: W E M (x, y) =E(x, y) E white (x, y) S (4.9) Die Hintergrundkompensation erlaubt die globale Behandlung aller Hintergrundfehler. Die Shadingmatrix selbst kann durch Glättungsoperatoren (vgl. Abschnitt 4.2.2) von Störpartikeln (Rauschpixel) befreit werden. 4.2 Rauschunterdrückung Rauschen ist ein in der Regel dem Bild überlagertes Signal, das das Bild verfälscht. Es treten sozusagen Unebenheiten in den Intensitätswerten oder auch hohe Frequenzen im Bild auf. Diese Unebenheiten sollen Rauschunterdrückungsverfahren (auch: Glättungsverfahren) vermindern oder gar beseitigen. Das ideale Ziel ist, genau diese Frequenzen oder Unebenheiten zu beseitigen, ohne dass das restliche Signal sprich: Bild von dieser Glättung beeinflusst wird. Es existieren lineare und nichtlineare Verfahren, die diese Forderung z.t. erfüllen Morphologische Operationen In Kapitel 3 haben wir schon eine einfache Art der Glättung eines Binärbildes kennen gelernt. Durch die morphologische Operation 2 Erosion können je nach Wahl des verwendeten strukturierenden Elementes einzelne Bildpunkte gelöscht werden. Diese einzelnen Bildpunkte sind im Allgemeinen Rauschpunkte, die zur Weiterverarbeitung der Segmentierung, der Merkmalsextraktion und Klassifikation nicht notwendig bzw. eher störend sind. Ebenso haben die morphologischen Operationen Öffnen oder Schließen Einfluss auf einzelne Bildpunkte. Auch hier können einzelne Bildpunkte aus dem Bild gelöscht werden, da ja auch hier die Erosion als Grundoperation angewendet wird Filterbasierte Rauschminderung Die filterbasierte Glättung lässt sich zu den lokalen Bildpunktoperationen zählen, die in der Regel auf Grauwertbilder berechnet werden. Grundlage dieser Operationen ist die diskrete Faltung von digitalen Bildern (im zweidimensionalen Fall). Zunächst wollen wir uns also mit der diskreten Faltung beschäftigen, um dann 2 Schon bei den simplen Operationen auf Punktegruppen (vgl. Abschnitt 3.1) wird durch die Operation Shrink eine Möglichkeit zur Glättung in Binärbildern gegeben.

12 4.2 Rauschunterdrückung (a) E (b) F M (c) A Abbildung 4.5: Diskrete Faltung: Das Eingabebild E (a) wird mit der Filtermaske F M (b) gefaltet. Im Ausgabebild A (c) sind gerundete Werte dargestellt, da die jeweilige Summe der einzelnen Bildpunkte mit 1 9 multipliziert werden muss, damit der berechnete Wert im Ausgabebild im darstellbaren Bereich [ ] bleibt übliche Glättungsoperatoren kennen zu lernen und deren Funktionsweise zu verstehen. Wir wollen uns das Prinzip der diskreten Faltung mittels einer 3 3 Filtermaske F M verdeutlichen 3 (man kann sich diese Maske auch als Blende vorstellen), die über ein Eingabebild E geschoben wird und damit die gewichtete Summe innerhalb dieser Blende für das Ausgabebild A berechnet. In der folgenden Abbildung 4.5 ist ein Beispiel für eine diskrete Faltung dargestellt: In analytischer Form bedeutet das für Bildpunkt A 22 des Ausgabebildes A: A 22 = F M11 E 11 +F M12 E 12 +F M13 E 13 F M21 E 21 +F M22 E 22 +F M23 E 23 (4.10) F M31 E 31 +F M32 E 32 +F M33 E 33 Ausgedrückt in Zahlen (für das Beispiel in Abbildung 4.5): A 22 = = 4 (4.11) Entsprechend der Vorschrift aus Gleichung 4.10 müssen nun alle weiteren Bildpunkte berechnet werden. Die übliche Schreibweise für eine diskrete Faltung lautet: A = F M E mit dem Operator für die zweidimensionale diskrete Faltung. Die allgemeine Form der diskreten Faltung eines Bildes E mit einer Filtermaske 3 Für dieses Beispiel wird das Randproblem s.u. vernachlässigt.

13 46 4 Vorverarbeitung (oder auch Faltungsmaske) F M im zweidimensionalen Fall lautet: A(x, y) =k 1 +k +l i= k j= l F M (i, j)e(x + i, y + j)+k o (4.12) k 0 und k 1 sind Konstanten, die zur Skalierung auf den erlaubten Intensitätswertbereich (Grauwertbereich) benötigt werden (vgl. Skalierungsfaktor 1 9 in Gleichung 4.11). F M (i, j) sind die Koeffizienten der Faltungsmaske. I.d.R. hat die Maske (2k + 1) Spalten und (2l + 1) Zeilen. Das bedeutet, dass in der Praxis meistens quadratische Masken der Größen 3 3, 5 5,... verwendet werden, da in diesem Fall der Bezugspunkt der Maske zentral ist. Ein paar Worte noch zu dem hier auftretenden so genannten Randproblem. Die lokale Nachbarschaft für die Randpunkte ist nicht definiert. In unserem Beispiel ist der Rand lediglich ein Pixel breit. Das ist im Allgemeinen nicht sehr tragisch. Werden die Faltungsmasken allerdings größer, so bleiben u.u. sehr viele Bildpunkte des Randes unberücksichtigt. Die folgenden Möglichkeiten, das Randproblem anzugehen, sind nur eine Auswahl der üblichsten Alternativen. Eventuell sind andere Möglichkeiten für ein spezielles Problem sinnvoller als die hier genannten: Die nicht berücksichtigten Randpunkte werden einfach weggelassen. Das bedeutet, dass bei einer Maskengröße von (2k + 1) (2k + 1) ein k breiter Rand weggelassen wird. Wird evtl. iterativ gefaltet, so kann das Bild sehr schnell sehr klein werden... Die entsprechenden Randpunkte des Eingabebildes (oder bei Iteration des Vorgängerbildes) werden kopiert. Das Bild wird periodisch fortgesetzt. Diese Möglichkeit ist unter systemtheoretischen Gesichtspunkten die optimale (vgl. Wahl (1989)). Nachdem wir uns die diskrete Faltung angesehen haben, kommen wir im Folgenden zu den drei wohl bekanntesten Glättungsoperatoren. Zunächst wird der klassische Mittelwertfilter besprochen. Im Anschluss wird der Medianfilter als ein nichtlinearer Filter vorgestellt, und zum Schluss eine Erweiterung des Mittelwertfilters, der Gaußfilter. Mittelwertfilter Der Mittelwertfilter oder auch Average-Filter (auch Average-Operator) berechnet den mittleren Intensitätswert innerhalb einer lokalen Nachbarschaft, die durch die Größe des Filters bestimmt wird. Der so ermittelte neue Intensitätswert wird im Ausgabebild dem Bezugspunkt zugewiesen. Dadurch wird eine Glättung der Unebenheiten in den Grauwerten erzielt. Der Mittelwertfilter wird auch manchmal als bewegter Mittelwertfilter bezeichnet. Für eine Umsetzung des Mittelwertfilters in ORASIS 3D siehe Anhang B.3.

14 4.2 Rauschunterdrückung 47 (a) (b) (c) Abbildung 4.6: Verschiedene Mittelwertfilter: (a) Mittelwertfilter bzgl. einer 4er Nachbarschaft, (b) Mittelwertfilter bzgl. einer 8er Nachbarschaft und (c) gewichteter Mittelwertfilter bzgl. einer 8er Nachbarschaft. Die Bezugspunkte sind jeweils in der Mitte In Abbildung 4.6 (a) ist ein Mittelwertfilter bzgl. einer 4er Nachbarschaft im Rechteckraster dargestellt. Der Skalierungsfaktor für diese Maske beträgt 1 5. Der Mittelwertfilter ist ein homogener, lokaler und linearer Filter. Im Frequenzbereich entspricht der Mittelwertfilter einem so genannten Tiefpass (s. auch Kapitel 11), der nur die niedrigen Frequenzen durchlässt. Oder andersherum, der Sperrbereich des Filters sind die hohen Frequenzen. Eine andere Form des Mittelwertfilters, die wohl am häufigsten verwendet wird, ist in Abbildung 4.6 (b) bzgl. einer 8er Nachbarschaft im Rechteckraster dargestellt. Der Skalierungsfaktor beträgt für diese Filtermaske 1 9. Diese Filtermaske wird auch als ungewichtet bezeichnet, da alle Koeffizienten gleich gewichtet sind. Von einem gewichteten Mittelwertfilter spricht man dann, wenn der mittlere Punkt in der Filtermaske (auch Bezugspunkt) beispielsweise wie in Abbildung 4.6 (c) dargestellt ist doppelt gewichtet wird. Der Skalierungsfaktor beträgt für diese Maske Wird ein Mittelwertfilter angewendet, so werden nicht nur die Grauwertunebenheiten sondern auch die Diskontinuitäten im Grauwertsignal (Kantenübergänge) geglättet. Dies bedeutet, dass auch Kanten durch eine Mittelwertglättung an ihrer ursprünglichen Steilheit verlieren. Die Kantenübergänge werden also nicht nur verändert, sondern verfälscht. In der folgenden Abbildung 4.7 ist ein weiteres Beispiel für eine Mittelwertfilterung und somit eine Glättung des Bildes zu sehen. Man kann deutlich erkennen, dass im Ausgabebild der störende Punkt im Eingabebild mit dem Intensitätswert 13 einen erheblichen Einfluss auf seine Nachbarpunkte hat. Durch die Faltung mit einem Mittelwertfilter heben sich die Intensitätswerte in der Nachbarschaft an. Medianfilter Ein Glättungsoperator, der die Steilheit der Kanten in der Regel nicht beeinflusst, ist der nichtlineare Medianfilter (vgl. Anhang B.4). Dieser Filter ist ein Rangfolgen-

15 48 4 Vorverarbeitung (a) E (b) F M (c) A Abbildung 4.7: Glättung von Bild E (a) durch Mittelwertfilter (b). Deutlich wird der Einfluss eines einzelnen Störpixels auf seine Nachbarn im Ausgabebild A (c) filter (auch: Rangordnungsfilter), der für eine bestimmte Nachbarschaft (3 3, 4 5,...) die Bildpunkte nach der Größe des Intensitätswertes sortiert. 4 Der mittlere Wert aus der sortierten Liste der Intensitätswerte ist dann der neue Intensitätswert für das geglättete Ausgabebild. Beispielsweise ist für eine 3 3-Nachbarschaft der mittlere Wert an der Stelle 5 zu finden. Für eine 5 5-Nachbarschaft ist der mittlere Wert an der Stelle 13 zu finden, etc. Als Beispiel sollen uns die Bilder aus Abbildung 4.5 dienen. Wird ein 3 3- Medianfilter über das Eingabebild geschoben, so ergibt sich im Ausgabebild an der Stelle A 32 eine 5 statt einer 6, die beim Mittelwertfilter berechnet wurde. Interessanterweise ist die erste berechnete Zeile im Ausgabebild für Median- und Mittelwertfilter gleich. Ein weiteres Beispiel zur Verdeutlichung soll das Bild aus Abbildung 4.8 sein. Geht man vom gleichen Eingabebild aus Abbildung 4.8 (a) aus und verwendet dieses Mal den Medianfilter, so ist das Ergebnis im Ausgabebild optimal. Das Störpixel mit dem Intensitätswert 13 ist herausgefiltert, ohne Einfluss auf die Nachbarschaft zu haben. Dieser Sachverhalt ist in Abbildung 4.8 nochmals bildhaft wiedergegeben. Man kann deutlich die Unterschiede zu den Ergebnissen in Abbildung 4.7 erkennen. Gaußfilter Der Gaußfilter ist im Prinzip nur eine Erweiterung des gewichteten Mittelwertfilters. Das Zentrum wird analog zur Gauß-Glocken-Funktion stärker gewichtet als der Rand. Eine typische 3 3-Gaußfilter-Maske ist in Abbildung 4.9 dargestellt. Der Mittelpunkt und die direkten Nachbarn werden stärker gewichtet als die Nachbarn, die 2-Pixel vom Mittelpunkt entfernt sind also die diagonalen 4 Bei größeren Filtermasken (so ab Bildpunkten) ist es ratsam, sich für die Implementierung des Sortieralgorithmus ein paar Gedanken zu machen. Ein Bubble-Sort-Algorithmus ist für größere Filtermasken nur bedingt einsetzbar. Für Sortierverfahren siehe zum Beispiel Sedgewick (1992) oder auch Wirth (1983)

16 4.2 Rauschunterdrückung Faltung mit 3 3- Median (a) E (b) A Abbildung 4.8: Glättung durch Medianfilter und (der nicht vorhandene) Einfluss eines einzelnen Störpixels auf seine Nachbarn Nachbarn. Der Skalierungsfaktor beträgt Abbildung 4.9: Gaußfilter In der folgenden Abbildung 4.10 ist das Eingabebild aus den Abbildungen 4.7 bzw. 4.8 mit dem Gaußfilter aus der Abbildung 4.9 gefiltert worden. Im Ausgabebild stehen mit Absicht die Nachkommastellen obwohl diese für eine Visualisierung auf den nächsten Intensitätswert (in diesem Fall 5 ) gerundet würden, da dies die verbesserte Glättung gegenüber einem einfachen Mittelwertfilter verdeutlicht. Die Berechnungsergebnisse für die Intensitätswerte der einzelnen Pixel liegen bei ca. 4, Das ist gegenüber 5 bei der Mittelwertberechnung schon deutlicher am Ursprungswert (a) E (b) F M 4, 6 4, 6 4, 6 4 4, 6 4, 6 4, 6 4 4, 6 4, 6 4, (c) A Abbildung 4.10: Glättung durch Gaußfilter und Einfluss eines einzelnen Störpixels auf seine Nachbarn Zum Abschluss dieses Abschnittes nochmals ein Beispiel für eine Glättung mittels eines Medianfilters auf einem durch Salz-und-Pfeffer-Rauschen gestörten Bild. In

17 50 4 Vorverarbeitung Abbildung 4.11(a) ist ein durch Rauschen gestörtes Bild mit einem zugehörigen Zeilenprofil zu sehen. Die Abbildung 4.11(b) zeigt das mit einem 5 5-Median geglättete Bild ebenfalls mit dem zugehörigen Zeilenprofil der entsprechenden Zeile. Es sind sowohl im Bild als auch im jeweiligen Zeilenprofil die Störung und die Beseitigung der Störung zu erkennen. (a) (b) Abbildung 4.11: Glättung durch Medianfilter: (a) gestörtes Bild mit Zeilenprofil und (b) geglättetes Bild mit korrespondierendem Zeilenprofil. Screenshots der ORASIS 3D - Oberfläche. Diese Abbildung befindet sich auch auf der beiliegenden CD-ROM im Verzeichnis Abbildungen 4.3 Geometrische Entzerrung Die bisher vorgestellten Vorverarbeitungsoperationen bezogen sich lediglich auf den Intensitätswert (sprich: Grauwert) eines Bildpunktes, doch auf dessen Ortskoordinaten. Die im Folgenden beschriebenen einfachen, so genannten affinen Transformationen transformieren in der Regel die Ortskoordinaten eines Bildpunktes. Beispielsweise muss bei einem Vergleich von Bildern, die unterschiedliche Größen aufweisen, eine Art Größennormierung (Skalierung) durchgeführt werden. Ebenso kann es notwendig sein, Verzerrungen, die durch das bildgebende Verfahren entstanden sind, zu beseitigen. Man unterscheidet prinzipiell drei geometrische Transformationen, die im Folgenden näher erläutert werden: Translation: Verschiebung von Bildern Rotation: Drehung von Bildern und Skalierung: Vergrößerung bzw. Verkleinerung von Bildern.

18 4.3 Geometrische Entzerrung 51 Translatorische Transformationen und auch Drehungen um n 90 o mit n = 0, 1, 2,... sind relativ einfache Operationen. Die Topologie der Bildpunkte unter Berücksichtigung des Rechteckrasters wird nicht beeinflusst. Sollen Drehungen um beliebige Winkel durchgeführt werden, sowie beliebige Skalierungen, so werden Interpolationsmechanismen benötigt. Diese Interpolationsverfahren haben die Aufgabe, die Topologie der Bildpunkte und ihrer Grauwerte möglichst gut zu erhalten. Beispielsweise kann auf den nächsten Wert bzgl. einer Nachbarschaft gerundet werden. Oder der zu berechnende Wert kann durch eine bilineare Interpolation bestimmt werden. Die bilineare Interpolation bestimmt den neuen Grauwert A(x neu, y neu ) durch eine gewichtete Summe des gerade betrachteten Grauwertes E(x, y) mit drei seiner Nachbarn: A(x neu, y neu )=w 1 E(x, y)+w 2 E(x, y + 1)+w 3 E(x + 1, y)+w 4 E(x + 1, y + 1) (4.13) Durch die Wahl der w i kann die Position des neuen Bildpunktes in Hinblick auf seine Nachbarn berücksichtigt werden. Da hierbei u.u. neue Grauwerte entstehen, lässt sich die bilineare Interpolation nicht auf logische (binäre) Bilder anwenden. Werden die w i so gewählt, dass 4 i=1 w i = 1 ist, dann wird eine gewichtete und gemittelte Summe berechnet. Im zweidimensionalen Raum existieren prinzipiell die drei oben genannten Transformationen Translation (auch: Versetzung des Ursprungs), Rotation und Skalierung. Weitere Veränderungen können durch Kombination dieser drei Transformationen erzielt werden. Bei diesen Transformationen handelt es sich um Bildpunkttransformationen, sodass jeder Bildpunkt einzeln transformiert werden muss. Werden Matrizen für diese Transformationen genutzt, so lassen sich die Transformationen effektiv umsetzen. In der Regel werden 3 3-Matrizen für diese zweidimensionalen Transformationen verwendet. Wir benötigen für eine Koordinatentransformation im allgemeinen Fall eine Matrix M und einen Spaltenvektor S mit: M = M 11 M 12 M 13 M 21 M 22 M 23 M 31 M 32 M 33 und S = s 1 s 2 s 3 Für eine Koordinatentransformation gilt: Ein Bildpunkt E(x, y) habe ursprünglich die Koordinaten x, y bezogen auf ein bestimmtes Koordinatensystem. Nach der Transformation habe der Bildpunkt E neu die Koordinaten x neu, y neu bezogen auf ein verändertes Koordinatensystem. Das veränderte Koordinatensystem ergibt sich aus der Anwendung der affinen Transformationen. Die Koordinaten des ursprünglichen sowie des berechneten Bildpunktes lassen sich in homogener Koordinaten-Schreibweise als Spaltenvektoren bestimmen.

19 52 4 Vorverarbeitung E = x y 1 und E neu = xneu y neu 1 Eine affine Transformation berechnet die neuen Koordinaten als eine lineare Kombination der ursprünglichen Werte unter Berücksichtigung der Koeffizienten der entsprechenden Transformationsmatrix. Allgemein entstehen dadurch die folgenden linearen Gleichungen x neu = M 11 x + M 12 y + M 13 y neu = M 21 x + M 22 y + M 23 (4.14) 1 = M 31 x + M 32 y + M 33 Die letzte Zeile ist nur dann erfüllt, wenn M 31 = 0, M 32 = 0 und M 33 = 1. Ein neues transformiertes Koordinatenpaar (in Spaltenform) wird demnach durch die Multiplikation einer Matrix M mit einem Spaltenvektor S berechnet. Also kann die Koordinatentransformation E neu wie folgt definiert werden: E neu = M S Translation Eine Translation T kann als Verschiebung des Ursprungs verstanden werden. Die Achsenrichtung und der Achsenverlauf werden nicht beeinflusst. Der Verlauf bedeutet hier, dass die Skalierung der Achsen unverändert bleibt. Der Ursprung hat im neuen Koordinatensystem die Koordinaten ( u neu x, u neu y ). Neue Punkte werden wie folgt berechnet: x neu = 1 x + 0 y u neu x y neu = 0 x + 1 y u neu y Die Transformationsmatrix lautet: T = 1 0 u neu x 0 1 u neu y Rotation Bei einer Rotation R werden weder der Ursprung noch die Skalierung der Achsen verändert. Lediglich die Richtung der Achsen wird verändert. Eine allgemein gültige Konvention ist, dass die Richtung der Achsen durch eine Drehung um den Winkel Φ entgegen dem Uhrzeigersinn durchgeführt wird. Die neuen Koordina-

20 4.3 Geometrische Entzerrung 53 ten berechnet man durch: x neu = cos Φ x + sin Φ y + 0 y neu = sin Φ x + cos Φ y + 0 Die Transformationsmatrix lautet: cos Φ sin Φ 0 R = sin Φ cos Φ Skalierung Für die Skalierung S gilt: Der Ursprung und die Achsenrichtung werden durch die Transformation nicht verändert. Lediglich die Skalierung der Achsen verändert sich. Die Skalierungsfaktoren scal x und scal y bestimmen die Skalierung. Sind die Werte größer als Eins, so vergrößert sich das gesamte Koordinatensystem. Sind die Werte kleiner als Eins, so verkleinert sich das Koordinatensystem. Die neuen Koordinaten werden berechnet durch: Die Transformationsmatrix lautet: x neu = scal x x + 0 y + 0 y neu = 0 x + scal y y + 0 R = scal x scal y Kombinierte Transformationen Wie bereits oben erwähnt wurde, können komplexere Ent- bzw. Verzerrungen durch Kombinationen der drei Grundtransformationen erreicht werden. Aufgrund der Matrizendarstellung besteht die einfache Möglichkeit, die Grundtransformationen zu kombinieren. Beispielsweise lassen sich eine Translation T mit einer Rotation R hintereinander ausführen. Durch eine Matrixmultiplikation erhält man die entsprechende Kombinationsmatrix K, die beide Transformationen enthält: K TR = T R Soll die kombinierte Transformation wieder rückgängig gemacht werden, so ist darauf zu achten, dass die beiden inversen Grundtransformationen in umgekehrter Reihenfolge durchzuführen sind: K 1 TR = T 1 R 1

Computer Vision: 3D-Geometrie. D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17

Computer Vision: 3D-Geometrie. D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17 Computer Vision: 3D-Geometrie D. Schlesinger () Computer Vision: 3D-Geometrie 1 / 17 Lochkamera Modell C Projektionszentrum, Optische Achse, Bildebene, P Hauptpunkt (optische Achse kreuzt die Bildebene),

Mehr

Vorbereitungsaufgaben

Vorbereitungsaufgaben Praktikum Bildverarbeitung / Bildinformationstechnik Versuch BV 4 / BIT 3: Mustererkennung Paddy Gadegast, CV00, 160967 Alexander Opel, CV00, 16075 Gruppe 3 Otto-von-Guericke Universität Magdeburg Fakultät

Mehr

Numerisches Programmieren

Numerisches Programmieren Technische Universität München SS 2012 Institut für Informatik Prof Dr Thomas Huckle Dipl-Inf Christoph Riesinger Dipl-Math Alexander Breuer Dipl-Math Dipl-Inf Jürgen Bräckle Dr-Ing Markus Kowarschik Numerisches

Mehr

Morphologie auf Binärbildern

Morphologie auf Binärbildern Morphologie auf Binärbildern WS07 5.1 Konen, Zielke WS07 5.2 Konen, Zielke Motivation Aufgabe: Objekte zählen Probleme: "Salt-&-Pepper"-Rauschen erzeugt falsche Objekte Verschmelzen richtiger Objekte durch

Mehr

ax 2 + bx + c = 0, (4.1)

ax 2 + bx + c = 0, (4.1) Kapitel 4 Komplexe Zahlen Wenn wir uns auf die reellen Zahlen beschränken, ist die Operation des Wurzelziehens (also die Umkehrung der Potenzierung) nicht immer möglich. Zum Beispiel können wir nicht die

Mehr

Binärbildverarbeitung

Binärbildverarbeitung Prof. Dr.-Ing. Thomas Zielke " Binärbildverarbeitung SS 2013 3.1 Anwendungen von Binärbildern" Ein Bild mit nur zwei Grau/Farb-Stufen nennt man Binärbild. In der Regel werden Bildpunkte mit dem Wert Null

Mehr

Morphologische Bildoperationen

Morphologische Bildoperationen Morphologische Bildoperationen Technische Universität München Fakultät für Informatik Forschungs- und Lehreinheit Informatik IX Gürcan Karakoc Betreuer: Suat Gedikli Abgabetermin: 10.04.2006 1 Inhaltsverzeichnis

Mehr

Der Bipolar-Transistor und die Emitterschaltung Gruppe B412

Der Bipolar-Transistor und die Emitterschaltung Gruppe B412 TECHNISCHE UNIVERSITÄT MÜNCHEN Der Bipolar-Transistor und die Emitterschaltung Gruppe B412 Patrick Christ und Daniel Biedermann 16.10.2009 1. INHALTSVERZEICHNIS 1. INHALTSVERZEICHNIS... 2 2. AUFGABE 1...

Mehr

Teil II. Nichtlineare Optimierung

Teil II. Nichtlineare Optimierung Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene

Mehr

Bildmerkmalssuche. Seminar Computational Photography. Visual Computing Department of Computer Science

Bildmerkmalssuche. Seminar Computational Photography. Visual Computing Department of Computer Science Bildmerkmalssuche Seminar Computational Photography EINFÜHRUNG 2 Einführung Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens Erkennen von Objekten auf dem Bild oder in einer Bildsequenz anhand

Mehr

Elemente der Analysis II

Elemente der Analysis II Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel

Mehr

ifp Diplomhauptprüfung Frühjahr 2000 Prüfung mündlich abgehalten Institut für Photogrammetrie

ifp Diplomhauptprüfung Frühjahr 2000 Prüfung mündlich abgehalten Institut für Photogrammetrie ifp Institut für Photogrammetrie Universität Stuttgart Prof. Dr.-Ing. habil. Dieter Fritsch Geschwister-Scholl-Str. 24, 70174 Stuttgart Postfach 10 60 37, 70049 Stuttgart Telefon (0711) 121-3386, 121-3201

Mehr

Allgemeine Beschreibung von Blockcodes

Allgemeine Beschreibung von Blockcodes Allgemeine Beschreibung von Blockcodes Bei Blockcodierung wird jeweils eine Sequenz von m q binären Quellensymbolen (M q = 2) durch einen Block von m c Codesymbolen mit dem Symbolumfang M c dargestellt.

Mehr

(2) (x 2 1 + x 2 2 + + x 2 n)(y 2 1 + y 2 2 + + y 2 n) = z 2 1 + z 2 2 + + z 2 n

(2) (x 2 1 + x 2 2 + + x 2 n)(y 2 1 + y 2 2 + + y 2 n) = z 2 1 + z 2 2 + + z 2 n Über die Komposition der quadratischen Formen von beliebig vielen Variablen 1. (Nachrichten von der k. Gesellschaft der Wissenschaften zu Göttingen, Mathematisch-physikalische Klasse, 1898, S. 309 316.)

Mehr

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.

Mehr

Parallele und funktionale Programmierung Wintersemester 2013/14. 8. Übung Abgabe bis 20.12.2013, 16:00 Uhr

Parallele und funktionale Programmierung Wintersemester 2013/14. 8. Übung Abgabe bis 20.12.2013, 16:00 Uhr 8. Übung Abgabe bis 20.12.2013, 16:00 Uhr Aufgabe 8.1: Zeigerverdopplung Ermitteln Sie an folgendem Beispiel den Rang für jedes Listenelement sequentiell und mit dem in der Vorlesung vorgestellten parallelen

Mehr

Grafikformate. Grafikformate. Digitale Bildverarbeitung Bildkompression

Grafikformate. Grafikformate. Digitale Bildverarbeitung Bildkompression Digitale Bildverarbeitung Bildkompression Einleitung Datenmenge für ein unkomprimiertes Bild Verwendungszweck des Bildes Bild soll weiterverarbeitet werden Bild soll archiviert werden Bild soll per E-Mail

Mehr

Rekursionen (Teschl/Teschl 8.1-8.2)

Rekursionen (Teschl/Teschl 8.1-8.2) Rekursionen (Teschl/Teschl 8.1-8.2) Eine Rekursion kter Ordnung für k N ist eine Folge x 1, x 2, x 3,... deniert durch eine Rekursionsvorschrift x n = f n (x n 1,..., x n k ) für n > k, d. h. jedes Folgenglied

Mehr

Single Parity check Codes (1)

Single Parity check Codes (1) Single Parity check Codes (1) Der Single Parity check Code (SPC) fügt zu dem Informationsblock u = (u 1, u 2,..., u k ) ein Prüfbit (englisch: Parity) p hinzu: Die Grafik zeigt drei Beispiele solcher Codes

Mehr

Kapitel 9. Kombination von Vektor- und Rasterdaten. Rasterdaten. 3. Transformationen des Formats. 4. Kombinierte Auswertungen

Kapitel 9. Kombination von Vektor- und Rasterdaten. Rasterdaten. 3. Transformationen des Formats. 4. Kombinierte Auswertungen LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS Kapitel 9 Kombination von Vektor- und Rasterdaten Skript zur Vorlesung Geo-Informationssysteme Wintersemester 2011/12 Ludwig-Maximilians-Universität

Mehr

Prüfungsprotokoll Computergrafik 1 und 2 (1692 & 1693) Prüfer: M. Felten von: Lindig Florian. Dauer: 30 min jeweils. Note: 1.

Prüfungsprotokoll Computergrafik 1 und 2 (1692 & 1693) Prüfer: M. Felten von: Lindig Florian. Dauer: 30 min jeweils. Note: 1. Prüfungsprotokoll Computergrafik 1 und 2 (1692 & 1693) Prüfer: M. Felten von: Lindig Florian Dauer: 30 min jeweils Note: 1.0 jeweils Alles in allem eine lockere Atmosphäre, man bekommt genug Papier und

Mehr

Einführung Aufgabe 1 - Bildverarbeitung. Anton Augsburg 2011

Einführung Aufgabe 1 - Bildverarbeitung. Anton Augsburg 2011 Einführung Anton Augsburg 2011 Inhalt 1 - Allgemeine Hinweise 2 - Grundlagen 3 - Aufgabenstellung 4 - C# 5 - Einführendes Beispiel 6 - Aufgabenhinweise Medien und Medienströme SS 2011 - Anton Augsburg

Mehr

Mathematik-Dossier. Die lineare Funktion

Mathematik-Dossier. Die lineare Funktion Name: Mathematik-Dossier Die lineare Funktion Inhalt: Lineare Funktion Lösen von Gleichungssystemen und schneiden von Geraden Verwendung: Dieses Dossier dient der Repetition und Festigung innerhalb der

Mehr

Computer Vision: Optische Flüsse

Computer Vision: Optische Flüsse Computer Vision: Optische Flüsse D. Schlesinger TUD/INF/KI/IS Bewegungsanalyse Optischer Fluss Lokale Verfahren (Lukas-Kanade) Globale Verfahren (Horn-Schunck) (+ kontinuierliche Ansätze: mathematische

Mehr

Histogramme in der Datenbankoptimierung. Marian Marx 26.06.2008

Histogramme in der Datenbankoptimierung. Marian Marx 26.06.2008 Histogramme in der Datenbankoptimierung Marian Marx 26.06.2008 Inhaltsverzeichnis 1. Histogramme im Allgemeinen 1.1 Definition Histogramm 1.2 Beispiel Histogramm 2. Histogramme in der Datenbankoptimierung

Mehr

1,11 1,12 1,13 1,14 1,15 1,16 1,17 1,17 1,17 1,18

1,11 1,12 1,13 1,14 1,15 1,16 1,17 1,17 1,17 1,18 3. Deskriptive Statistik Ziel der deskriptiven (beschreibenden) Statistik (explorativen Datenanalyse) ist die übersichtliche Darstellung der wesentlichen in den erhobenen Daten enthaltene Informationen

Mehr

Funktionen (linear, quadratisch)

Funktionen (linear, quadratisch) Funktionen (linear, quadratisch) 1. Definitionsbereich Bestimme den Definitionsbereich der Funktion f(x) = 16 x 2 2x + 4 2. Umkehrfunktionen Wie lauten die Umkehrfunktionen der folgenden Funktionen? (a)

Mehr

6 Symmetrische Matrizen und quadratische Formen

6 Symmetrische Matrizen und quadratische Formen Mathematik für Ingenieure II, SS 9 Freitag. $Id: quadrat.tex,v.5 9//5 ::59 hk Exp $ $Id: orthogonal.tex,v.4 9// ::54 hk Exp $ $Id: fourier.tex,v. 9// :: hk Exp $ Symmetrische Matrizen und quadratische

Mehr

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen

Mehr

Aufgaben des MSG-Zirkels 10b Schuljahr 2007/2008

Aufgaben des MSG-Zirkels 10b Schuljahr 2007/2008 Aufgaben des MSG-Zirkels 10b Schuljahr 2007/2008 Alexander Bobenko und Ivan Izmestiev Technische Universität Berlin 1 Hausaufgaben vom 12.09.2007 Zahlentheorie 1 Aufgabe 1.1 Berechne die (quadratischen)

Mehr

Datamining-Cup 2012 - TeamFK i. Datamining-Cup 2012 - TeamFK

Datamining-Cup 2012 - TeamFK i. Datamining-Cup 2012 - TeamFK i Datamining-Cup 2012 - TeamFK ii Inhaltsverzeichnis 1 Programme und Datenvorverarbeitung 1 2 Vorbetrachtung der Daten 2 2.1 Zeitintervalle..................................................... 2 2.2 Mittelwert

Mehr

Zuammenfassung: Reelle Funktionen

Zuammenfassung: Reelle Funktionen Zuammenfassung: Reelle Funktionen 1 Grundlegendes a) Zahlenmengen IN = {1; 2; 3; 4;...} Natürliche Zahlen IN 0 = IN {0} Natürliche Zahlen mit 0 ZZ = {... ; 2; 1; 0; 1; 2;...} Ganze Zahlen Q = { z z ZZ,

Mehr

Einführung in die Vektor- und Matrizenrechnung. Matrizen

Einführung in die Vektor- und Matrizenrechnung. Matrizen Einführung in die Vektor- und Matrizenrechnung Matrizen Definition einer Matrix Unter einer (reellen) m x n Matrix A versteht man ein rechteckiges Schema aus reellen Zahlen, die wie folgt angeordnet sind:

Mehr

Industrielle Bildverarbeitung mit OpenCV

Industrielle Bildverarbeitung mit OpenCV Industrielle Bildverarbeitung mit OpenCV Zhang,Duoyi 6.7.2 Gliederung. Einführung für OpenCV 2. Die Struktur von OpenCV Überblick Funktionsumfang in Ausschnitten mit Beispielen 3. Industrielles Anwendungsbeispiel

Mehr

GF(2 2 ) Beispiel eines Erweiterungskörpers (1)

GF(2 2 ) Beispiel eines Erweiterungskörpers (1) GF(2 2 ) Beispiel eines Erweiterungskörpers (1) Im Kapitel 2.1 wurde bereits gezeigt, dass die endliche Zahlenmenge {0, 1, 2, 3} q = 4 nicht die Eigenschaften eines Galoisfeldes GF(4) erfüllt. Vielmehr

Mehr

VOM RÖNTGENBILD ZUM COMPUTERTOMOGRAMM

VOM RÖNTGENBILD ZUM COMPUTERTOMOGRAMM VOM RÖNTGENBILD ZUM COMPUTERTOMOGRAMM REFERAT IM RAHMEN DES FACHSEMINARS WS2009/10 AUSARBEITUNG BEI PROF. KARL-OTTO LINN BJÖRN SAßMANNSHAUSEN 1 0. INHALT 1. Vorwort... 3 2. Geschichte Der Computertomogrphie...

Mehr

Mustererkennung mit Baumautomaten

Mustererkennung mit Baumautomaten Mustererkennung mit Baumautomaten Eine Ausarbeitung von Gisse Alvarado für das Seminar Mustererkennung mit syntaktischen und graphbasierten Methoden bei Prof. Dr. W. Kurth/ Th. Mangoldt Cottbus 2006 Inhalt

Mehr

Codierungstheorie Rudolf Scharlau, SoSe 2006 9

Codierungstheorie Rudolf Scharlau, SoSe 2006 9 Codierungstheorie Rudolf Scharlau, SoSe 2006 9 2 Optimale Codes Optimalität bezieht sich auf eine gegebene Quelle, d.h. eine Wahrscheinlichkeitsverteilung auf den Symbolen s 1,..., s q des Quellalphabets

Mehr

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt - 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +

Mehr

Technische Informatik - Eine Einführung

Technische Informatik - Eine Einführung Martin-Luther-Universität Halle-Wittenberg Fachbereich Mathematik und Informatik Lehrstuhl für Technische Informatik Prof. P. Molitor Ausgabe: 2005-02-21 Abgabe: 2005-02-21 Technische Informatik - Eine

Mehr

Workshop: Einführung in die 3D-Computergrafik. Julia Tolksdorf Thies Pfeiffer Christian Fröhlich Nikita Mattar

Workshop: Einführung in die 3D-Computergrafik. Julia Tolksdorf Thies Pfeiffer Christian Fröhlich Nikita Mattar Workshop: Einführung in die 3D-Computergrafik Julia Tolksdorf Thies Pfeiffer Christian Fröhlich Nikita Mattar 1 Organisatorisches Tagesablauf: Vormittags: Theoretische Grundlagen Nachmittags: Bearbeitung

Mehr

Multivariate Statistik

Multivariate Statistik Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)

Mehr

Wahlfach Mathematik: Funktionen

Wahlfach Mathematik: Funktionen Wahlfach Mathematik: Funktionen In der Mathematik ist eine Funktion oder Abbildung eine Beziehung zwischen zwei Mengen, die jedem Element der einen Menge (Funktionsargument, unabhängige Variable, x-wert)

Mehr

Lineare Algebra - alles was man wissen muß

Lineare Algebra - alles was man wissen muß Statistik für Bioinformatiker SoSe 3 Rainer Spang Lineare Algebra - alles was man wissen muß Der Titel ist natürlich gelogen, aber was wir hier zusammengetragen haben ist zumindest ein Anfang. Weniger

Mehr

OPERATIONS-RESEARCH (OR)

OPERATIONS-RESEARCH (OR) OPERATIONS-RESEARCH (OR) Man versteht darunter die Anwendung mathematischer Methoden und Modelle zur Vorbereitung optimaler Entscheidungen bei einem Unternehmen. Andere deutsche und englische Bezeichnungen:

Mehr

Kapitel 13 Binärisierung und Verarbeitung von Binärbildern p.2/40

Kapitel 13 Binärisierung und Verarbeitung von Binärbildern p.2/40 Kapitel 13 Binärisierung und Verarbeitung von Binärbildern Automatische Schwellwertbestimmung Verarbeitung von Dokumentbildern (Skew- und Slant-Korrektur) Mathematische Morphologie Distanz-Transformation

Mehr

Linear Workflow. Linear Workflow. Version 1.0-2011-10-11

Linear Workflow. Linear Workflow. Version 1.0-2011-10-11 Version 1.0-2011-10-11 Verfahren, Bilder unter Rücksichtnahme ihres Farbprofils und der des Ausgabegeräts zu berechnen (3D), bzw. zu bearbeiten (Compositing), um eine mathematisch und physikalisch korrekte

Mehr

A.1 Schaltfunktionen und Schaltnetze

A.1 Schaltfunktionen und Schaltnetze Schaltfunktionen und Schaltnetze A. Schaltfunktionen und Schaltnetze 22 Prof. Dr. Rainer Manthey Informatik II Bedeutung des Binärsystems für den Rechneraufbau Seit Beginn der Entwicklung von Computerhardware

Mehr

Wie löst man Mathematikaufgaben?

Wie löst man Mathematikaufgaben? Wie löst man Mathematikaufgaben? Manfred Dobrowolski Universität Würzburg Wie löst man Mathematikaufgaben? 1 Das Schubfachprinzip 2 Das Invarianzprinzip 3 Das Extremalprinzip Das Schubfachprinzip Verteilt

Mehr

Computer-Graphik I Transformationen & Viewing

Computer-Graphik I Transformationen & Viewing lausthal Motivation omputer-raphik I Transformationen & Viewing Man möchte die virtuelle 3D Welt auf einem 2D Display darstellen. Zachmann lausthal University, ermany zach@in.tu-clausthal.de. Zachmann

Mehr

Digitale Bildverarbeitung Image/Picture processing

Digitale Bildverarbeitung Image/Picture processing Digitale Bildverarbeitung Image/Picture processing Ausarbeitung zum Seminarvortrag am 25. Januar 2002 Ralf Bruder Inhaltsverzeichnis Einstieg in die Bildverarbeitung 3 Industrielle Bildverarbeitung 3 Interaktive

Mehr

Austausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen

Austausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:

Mehr

(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu

(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu Herleitung der oppenecker-formel (Wiederholung) Für ein System ẋ Ax + Bu (B habe Höchstrang) wird eine Zustandsregelung u x angesetzt. Der geschlossene egelkreis gehorcht der Zustands-Dgl. ẋ (A B)x. Die

Mehr

LINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow

LINEARE ALGEBRA Ferienkurs. Hanna Schäfer Philipp Gadow LINEARE ALGERA Ferienkurs Hanna Schäfer Philipp Gadow INHALT Eigenwerte und Eigenvektoren. asiswechsel.2 Eigenwertgleichung 2.3 Diagonalisierbarkeit 5.4 Trigonalisierung 8.5 Zusatzmaterial 8 Aufgaben 9

Mehr

Seite 1 von 2. Teil Theorie Praxis S Punkte 80+25 120+73 200+98 erreicht

Seite 1 von 2. Teil Theorie Praxis S Punkte 80+25 120+73 200+98 erreicht Seite 1 von 2 Ostfalia Hochschule Fakultät Elektrotechnik Wolfenbüttel Prof. Dr.-Ing. T. Harriehausen Bearbeitungszeit: Theoretischer Teil: 60 Minuten Praktischer Teil: 60 Minuten Klausur FEM für elektromagnetische

Mehr

5.1 Anforderungen an die SVG-Datei

5.1 Anforderungen an die SVG-Datei Kapitel 5 Toolchain Nachdem wir nun experimentell die Grundlagen und Einstellungen herausgefunden haben, wollen wir uns mit der Toolchain befassen, um von der Datei zum fertigen Objekt zu kommen. 5.1 Anforderungen

Mehr

Java Einführung Operatoren Kapitel 2 und 3

Java Einführung Operatoren Kapitel 2 und 3 Java Einführung Operatoren Kapitel 2 und 3 Inhalt dieser Einheit Operatoren (unär, binär, ternär) Rangfolge der Operatoren Zuweisungsoperatoren Vergleichsoperatoren Logische Operatoren 2 Operatoren Abhängig

Mehr

Klassische Risikomodelle

Klassische Risikomodelle Klassische Risikomodelle Kathrin Sachernegg 15. Jänner 2008 1 Inhaltsverzeichnis 1 Einführung 3 1.1 Begriffserklärung.................................. 3 2 Individuelles Risikomodell 3 2.1 Geschlossenes

Mehr

Behörde für Bildung und Sport Abitur 2008 Lehrermaterialien zum Grundkurs Mathematik

Behörde für Bildung und Sport Abitur 2008 Lehrermaterialien zum Grundkurs Mathematik Abitur 008 LA / AG II. Abenteuerspielplatz Der Gemeinderat beschlie t, einen eher langweiligen Spielplatz zu einem Abenteuerspielplatz umzugestalten. Das Motto lautet Auf hoher See. Daher soll ein Piratenschiff

Mehr

Seminararbeit für das SE Reine Mathematik- Graphentheorie

Seminararbeit für das SE Reine Mathematik- Graphentheorie Seminararbeit für das SE Reine Mathematik- Graphentheorie Der binäre Rang, der symplektische Graph, die Spektralzerlegung und rationale Funktionen Vortrag am 24.01.2012 Heike Farkas 0410052 Inhaltsverzeichnis

Mehr

Informatik 12 Datenbanken SQL-Einführung

Informatik 12 Datenbanken SQL-Einführung Informatik 12 Datenbanken SQL-Einführung Gierhardt Vorbemerkungen Bisher haben wir Datenbanken nur über einzelne Tabellen kennen gelernt. Stehen mehrere Tabellen in gewissen Beziehungen zur Beschreibung

Mehr

Lösung zur Übung 3. Aufgabe 9)

Lösung zur Übung 3. Aufgabe 9) Lösung zur Übung 3 Aufgabe 9) Lissajous-Figuren sind Graphen in einem kartesischen Koordinatensystem, bei denen auf der Abszisse und auf der Ordinate jeweils Funktionswerte von z.b. Sinusfunktionen aufgetragen

Mehr

Folge 19 - Bäume. 19.1 Binärbäume - Allgemeines. Grundlagen: Ulrich Helmich: Informatik 2 mit BlueJ - Ein Kurs für die Stufe 12

Folge 19 - Bäume. 19.1 Binärbäume - Allgemeines. Grundlagen: Ulrich Helmich: Informatik 2 mit BlueJ - Ein Kurs für die Stufe 12 Grundlagen: Folge 19 - Bäume 19.1 Binärbäume - Allgemeines Unter Bäumen versteht man in der Informatik Datenstrukturen, bei denen jedes Element mindestens zwei Nachfolger hat. Bereits in der Folge 17 haben

Mehr

5. Bildauflösung ICT-Komp 10

5. Bildauflösung ICT-Komp 10 5. Bildauflösung ICT-Komp 10 Was sind dpi? Das Maß für die Bildauflösung eines Bildes sind dpi. Jeder spricht davon, aber oft weiß man gar nicht genau was das ist. Die Bezeichnung "dpi" ist ein Maß, mit

Mehr

Digitale Signalbearbeitung und statistische Datenanalyse

Digitale Signalbearbeitung und statistische Datenanalyse Digitale Signalbearbeitung und statistische Datenanalyse Teil 5 8 Aus ontinuierlichem Signal werden in onstanten Zeitintervallen Daten entnommen ontinuierliches Signal x(t) Einheitsimpulsfuntion Gewichtete

Mehr

Microsoft Excel 2010 Matrix-Funktionen

Microsoft Excel 2010 Matrix-Funktionen Hochschulrechenzentrum Justus-Liebig-Universität Gießen Microsoft Excel 2010 Matrix-Funktionen Matrix-Funktionen in Excel 2010 Seite 1 von 7 Inhaltsverzeichnis Einleitung... 2 Integrierte Matrixfunktionen...

Mehr

Logistisches Wachstum

Logistisches Wachstum Informationsblatt für die Lehrkraft Logistisches Wachstum Informationsblatt für die Lehrkraft Thema: Schultyp: Vorkenntnisse: Bearbeitungsdauer: Logistisches Wachstum und Chaos Mittelschule, technische

Mehr

Schriftliche Abiturprüfung Leistungskursfach Mathematik

Schriftliche Abiturprüfung Leistungskursfach Mathematik Sächsisches Staatsministerium für Kultus Schuljahr 2000/01 Geltungsbereich: - Allgemein bildendes Gymnasium - Abendgymnasium und Kolleg - Schulfremde Prüfungsteilnehmer Schriftliche Abiturprüfung Leistungskursfach

Mehr

Entwurf robuster Regelungen

Entwurf robuster Regelungen Entwurf robuster Regelungen Kai Müller Hochschule Bremerhaven Institut für Automatisierungs- und Elektrotechnik z P v K Juni 25 76 5 OPTIMALE ZUSTANDSREGELUNG 5 Optimale Zustandsregelung Ein optimaler

Mehr

Im Original veränderbare Word-Dateien

Im Original veränderbare Word-Dateien Computergrafik Bilder, Grafiken, Zeichnungen etc., die mithilfe von Computern hergestellt oder bearbeitet werden, bezeichnet man allgemein als Computergrafiken. Früher wurde streng zwischen Computergrafik

Mehr

Masterarbeit. zur Erlangung des Abschlusses Master of Engineering an der Hochschule Ulm Fakultät Elektrotechnik und Informationstechnik.

Masterarbeit. zur Erlangung des Abschlusses Master of Engineering an der Hochschule Ulm Fakultät Elektrotechnik und Informationstechnik. Masterarbeit zur Erlangung des Abschlusses Master of Engineering an der Hochschule Ulm Fakultät Elektrotechnik und Informationstechnik Thema Messung der Strömungsgeschwindigkeit von Wasser mittels Bildpaar-

Mehr

Statistik mit Excel 2010. Themen-Special. Peter Wies. 1. Ausgabe, September 2011 W-EX2010S

Statistik mit Excel 2010. Themen-Special. Peter Wies. 1. Ausgabe, September 2011 W-EX2010S Statistik mit Excel 2010 Peter Wies 1. Ausgabe, September 2011 Themen-Special W-EX2010S 3 Statistik mit Excel 2010 - Themen-Special 3 Statistische Maßzahlen In diesem Kapitel erfahren Sie wie Sie Daten

Mehr

Bulletin. Gebrochener Stab. Martin Lieberherr Mathematisch Naturwissenschaftliches Gymnasium Rämibühl, 8001 Zürich

Bulletin. Gebrochener Stab. Martin Lieberherr Mathematisch Naturwissenschaftliches Gymnasium Rämibühl, 8001 Zürich ulletin DPK Gebrochener Stab Martin Lieberherr Mathematisch Naturwissenschaftliches Gymnasium Rämibühl, 8001 Zürich Einleitung Hält man einen geraden Wanderstab in einen spiegelglatten, klaren ergsee,

Mehr

Linearer Zusammenhang von Datenreihen

Linearer Zusammenhang von Datenreihen Linearer Zusammenhang von Datenreihen Vielen Problemen liegen (möglicherweise) lineare Zusammenhänge zugrunde: Mein Internetanbieter verlangt eine Grundgebühr und rechnet minutenweise ab Ich bestelle ein

Mehr

Einführung in die Stapelverarbeitung von FixFoto

Einführung in die Stapelverarbeitung von FixFoto Einführung in die Stapelverarbeitung von FixFoto Stand: Januar 2012 Diese Anleitung bezieht sich auf FixFoto, V 3.30. In älteren oder neueren Versionen könnte die Arbeitsweise anders sein. Inhalt 1. Was

Mehr

Schätzung des Lifetime Values von Spendern mit Hilfe der Überlebensanalyse

Schätzung des Lifetime Values von Spendern mit Hilfe der Überlebensanalyse Schätzung Lifetime Values von Spenn mit Hilfe Überlebensanalyse Einführung in das Verfahren am Beispiel Einzugsgenehmigung Überlebensanalysen o Ereignisdatenanalysen behandeln das Problem, mit welcher

Mehr

Computer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg

Computer Vision I. Nikos Canterakis. Lehrstuhl für Mustererkennung, Universität Freiburg Nikos Canterakis Lehrstuhl für Mustererkennung, Universität Freiburg Gliederung 7 Projektionen und Rückprojektionen Der Punkt Die Gerade Die Quadrik Die Ebene Zusammenhang Kalibriermatrix - Bild des absoluten

Mehr

A-Plan 12.0. Zeiterfassung 2.0. Ausgabe 1.1. Copyright. Warenzeichenhinweise

A-Plan 12.0. Zeiterfassung 2.0. Ausgabe 1.1. Copyright. Warenzeichenhinweise A-Plan 12.0 Zeiterfassung 2.0 Ausgabe 1.1 Copyright Copyright 1996-2014 braintool software gmbh Kein Teil dieses Handbuches darf ohne ausdrückliche Genehmigung von braintool software gmbh auf mechanischem

Mehr

Bildbearbeitung Irfanview

Bildbearbeitung Irfanview Bildbearbeitung Irfanview Mit diesem Schulungs-Handbuch lernen Sie Bilder für das Internet zu bearbeiten mit dem Gratis-Programm IrfanView Version 1.2 Worldsoft AG 1. Kurzübersicht des Schulungs-Lehrgangs

Mehr

Institut für Geometrie und Praktische Mathematik Mathematisches Praktikum (MaPra) Sommersemester 2012. Aufgabe 3 (für Informatiker)

Institut für Geometrie und Praktische Mathematik Mathematisches Praktikum (MaPra) Sommersemester 2012. Aufgabe 3 (für Informatiker) Rheinisch-Westfälische Technische Hochschule Institut für Geometrie und Praktische Mathematik Mathematisches Praktikum (MaPra) Sommersemester 22 Prof. Dr. Wolfgang Dahmen Yuanjun Zhang, M.Sc., Dipl.-Math.

Mehr

Die quadratische Gleichung und die quadratische Funktion

Die quadratische Gleichung und die quadratische Funktion Die quadratische Gleichung und die quadratische Funktion 1. Lösen einer quadratischen Gleichung Quadratische Gleichungen heißen alle Gleichungen der Form a x x c = 0, woei a,, c als Parameter elieige reelle

Mehr

Formelsammlung. Wahrscheinlichkeit und Information

Formelsammlung. Wahrscheinlichkeit und Information Formelsammlung Wahrscheinlichkeit und Information Ein Ereignis x trete mit der Wahrscheinlichkeit p(x) auf, dann ist das Auftreten dieses Ereignisses verbunden mit der Information I( x): mit log 2 (z)

Mehr

Session 7: Projektvorstellung Transferprojekt itsowl-tt-kapela 18. August 2015, Gütersloh. www.its-owl.de

Session 7: Projektvorstellung Transferprojekt itsowl-tt-kapela 18. August 2015, Gütersloh. www.its-owl.de Session 7: Projektvorstellung Transferprojekt itsowl-tt-kapela 18. August 2015, Gütersloh www.its-owl.de Agenda Abschlusspräsentation itsowl-tt-kapela Einführung Zielsetzung Ergebnisse Resümee und Ausblick

Mehr

Versuchsauswertung mit Polynom-Regression in Excel

Versuchsauswertung mit Polynom-Regression in Excel Versuchsauswertung mit Polynom-Regression in Excel Aufgabenstellung: Gegeben sei die in Bild 1 gezeigte Excel-Tabelle mit Messwertepaaren y i und x i. Aufgrund bekannter physikalischer Zusammenhänge wird

Mehr

Regionen in Binärbildern

Regionen in Binärbildern Regionen in Binärbildern Industrielle Bildverarbeitung, Vorlesung No. 9 1 M. O. Franz 05.12.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005. Übersicht 1 Auffinden

Mehr

1.4 Portfolio-Analyse (Marktwachstums-Marktanteils-Portfolio)

1.4 Portfolio-Analyse (Marktwachstums-Marktanteils-Portfolio) FACHHOCHSCHULE LAUSITZ Prof. Dr.-Ing. M. Strunz Lehrgebiet Projektmanagement Übungsskript l 1.4 Portfolio-Analyse (Marktwachstums-Marktanteils-Portfolio) Zu den bekanntesten Instrumenten des strategischen

Mehr

Der linke Teilbaum von v enthält nur Schlüssel < key(v) und der rechte Teilbaum enthält nur Schlüssel > key(v)

Der linke Teilbaum von v enthält nur Schlüssel < key(v) und der rechte Teilbaum enthält nur Schlüssel > key(v) Ein Baum T mit Knotengraden 2, dessen Knoten Schlüssel aus einer total geordneten Menge speichern, ist ein binärer Suchbaum (BST), wenn für jeden inneren Knoten v von T die Suchbaumeigenschaft gilt: Der

Mehr

Die Dreipunkt- Beleuchtung

Die Dreipunkt- Beleuchtung Die Dreipunkt- Beleuchtung Die Dreipunkt- Beleuchtung ist eine der Standard -Methoden bei der Ausleuchtung in der Materie Film und Foto und wurde auch für die Ausleuchtung im Bereich der Computer-generierten

Mehr

Vorlesung. Komplexe Zahlen

Vorlesung. Komplexe Zahlen Vorlesung Komplexe Zahlen Motivation Am Anfang der Entwicklung der komplexen Zahlen stand ein algebraisches Problem: die Bestimmung der Lösung der Gleichung x 2 + 1 = 0. 1 Mit der Lösung dieses Problems

Mehr

Einführung in die Kodierungstheorie

Einführung in die Kodierungstheorie Einführung in die Kodierungstheorie Einführung Vorgehen Beispiele Definitionen (Code, Codewort, Alphabet, Länge) Hamming-Distanz Definitionen (Äquivalenz, Coderate, ) Singleton-Schranke Lineare Codes Hamming-Gewicht

Mehr

Übungsklausur. Bitte wählen Sie fünf Aufgaben aus! Aufgabe 1. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr.

Übungsklausur. Bitte wählen Sie fünf Aufgaben aus! Aufgabe 1. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr. Gert Zöller Übungsklausur Hilfsmittel: Taschenrechner, Formblatt mit Formeln. Lösungswege sind stets anzugeben. Die alleinige Angabe eines

Mehr

Standardisierte kompetenzorientierte schriftliche Reifeprüfung. Mathematik. Probeklausur März 2014. Teil-1-Aufgaben

Standardisierte kompetenzorientierte schriftliche Reifeprüfung. Mathematik. Probeklausur März 2014. Teil-1-Aufgaben Standardisierte kompetenzorientierte schriftliche Reifeprüfung Mathematik Probeklausur März 2014 Teil-1-Aufgaben Beurteilung Jede Aufgabe in Teil 1 wird mit 0 oder 1 Punkt bewertet, jede Teilaufgabe in

Mehr

Integration geometrischer und fotogrammetrischer Information zum Wiederfinden von Bildern

Integration geometrischer und fotogrammetrischer Information zum Wiederfinden von Bildern Integration geometrischer und fotogrammetrischer Information zum Wiederfinden von Bildern Björn Burow SE Mustererkennung in Bildern und 3D-Daten Lehrstuhl Graphische Systeme BTU Cottbus Inhaltsübersicht

Mehr

Graphische Darstellung und Auswertung von Daten mit Excel

Graphische Darstellung und Auswertung von Daten mit Excel Graphische Darstellung und Auswertung von Daten mit Excel Excel ist ein sogenanntes Tabellenkalkulationsprogramm. Es gehört zum Office Paket der Firma Microsoft. Ein kostenlos im Internet erhältliches

Mehr

Bildverarbeitung in der Computergraphik

Bildverarbeitung in der Computergraphik Bildverarbeitung in der Computergraphik Privatdozent (PD) Dr.-Ing. habil. K.-H. Franke Technische Universität Ilmenau Fakultät für Informatik und Automatisierung Institut für Prakt. Inf. und Medieninf.

Mehr

Thüringer Kultusministerium

Thüringer Kultusministerium Prüfungstag: Mittwoch, den 07. Juni 2000 Prüfungsbeginn: 8.00 Uhr Thüringer Kultusministerium Realschulabschluss Schuljahr 1999/2000 Mathematik Hinweise für die Prüfungsteilnehmerinnen und -teilnehmer

Mehr

12 Dokumente verwalten

12 Dokumente verwalten 12 e verwalten 12.1 e organisieren Wir wollen uns nun etwas ausführlicher damit beschäftigen, wo unsere e gespeichert werden. Textverarbeitungsprogramme schlagen beim Speichern einen Ordner vor, in dem

Mehr

Ein neuer Beweis, dass die Newton sche Entwicklung der Potenzen des Binoms auch für gebrochene Exponenten gilt

Ein neuer Beweis, dass die Newton sche Entwicklung der Potenzen des Binoms auch für gebrochene Exponenten gilt Ein neuer Beweis, dass die Newton sche Entwicklung der Potenzen des Binoms auch für gebrochene Exponenten gilt Leonhard Euler 1 Wann immer in den Anfängen der Analysis die Potenzen des Binoms entwickelt

Mehr

Transformation und Darstellung funktionaler Daten

Transformation und Darstellung funktionaler Daten Transformation und Darstellung funktionaler Daten Seminar - Statistik funktionaler Daten Jakob Bossek Fakultät für Statistik 7. Mai 2012 Übersicht Einleitung Einordnung im Seminar Motivation am Beispiel

Mehr

Tangentengleichung. Wie lautet die Geradengleichung für die Tangente, y T =? Antwort:

Tangentengleichung. Wie lautet die Geradengleichung für die Tangente, y T =? Antwort: Tangentengleichung Wie Sie wissen, gibt die erste Ableitung einer Funktion deren Steigung an. Betrachtet man eine fest vorgegebene Stelle, gibt f ( ) also die Steigung der Kurve und somit auch die Steigung

Mehr